选择擅长的领域继续答题？
{@each tagList as item}
${item.tagName}
{@/each}
手机回答更方便，互动更有趣，下载APP
提交成功是否继续回答问题？
手机回答更方便，互动更有趣，下载APP
展开全部大数据技术是指从各种各样类型的数据中，快速获得有价值信息的能力。适用于大数据的技术，包括大规模并行处理（MPP）数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。大数据的应用：大数据是信息产业持续高速增长的新引擎。面向大数据市场的新技术、新产品、新服务、新业态会不断涌现。在硬件与集成设备领域，大数据将对芯片、存储产业产生重要影响，还将催生一体化数据存储处理服务器、内存计算等市场。在软件与服务领域，大数据将引发数据快速处理分析、数据挖掘技术和软件产品的发展。云计算是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云是网络、互联网的一种比喻说法。过去在图中往往用云来表示电信网，后来也用来表示互联网和底层基础设施的抽象。云计算的主要应用：云物联——“物联网就是物物相连的互联网”。这有两层意思：第一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；第二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。云安全——一个从“云计算”演变而来的新名词。云安全的策略构想是：使用者越多，每个使用者就越安全，因为如此庞大的用户群，足以覆盖互联网的每个角落，只要某个网站被挂马或某个新木马病毒出现，就会立刻被截获。云存储——在云计算概念上延伸和发展出来的一个新的概念，是指通过集群应用、网格技术或分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统。
已赞过已踩过你对这个回答的评价是？评论
收起
展开全部大数据：是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。云计算：是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云计算最初的目标是对资源的管理，管理的主要是计算，存储，网络资源。海量数据上传到云平台后，大数据就会对数据进行深入分析和挖掘。说到大数据，就不得不讲云计算。这些数据是怎么计算，怎么处理的，就和云计算分不开家。云计算是提取大数据的前提，强大的云计算能力，对于降低数据提取过程中的成本不可或缺。云计算技术就是一个容器，大数据正是存放在这个容器中的水，大数据是要依靠云计算技术来进行存储和计算的。
推荐律师服务：
若未解决您的问题，请您详细描述您的问题，通过百度律临进行免费专业咨询
为你推荐：
百度律临—免费法律服务推荐超3w专业律师，24H在线服务，平均3分钟回复免费预约随时在线律师指导专业律师一对一沟通完美完成
',getTip:function(t,e){return t.renderTip(e.getAttribute(t.triangularSign),e.getAttribute("jubao"))},getILeft:function(t,e){return t.left+e.offsetWidth/2-e.tip.offsetWidth/2},getSHtml:function(t,e,n){return t.tpl.replace(/\{\{#href\}\}/g,e).replace(/\{\{#jubao\}\}/g,n)}},baobiao:{triangularSign:"data-baobiao",tpl:'{{#baobiao_text}}',getTip:function(t,e){return t.renderTip(e.getAttribute(t.triangularSign))},getILeft:function(t,e){return t.left-21},getSHtml:function(t,e,n){return t.tpl.replace(/\{\{#baobiao_text\}\}/g,e)}}};function l(t){return this.type=t.type
"defaultTip",this.objTip=u[this.type],this.containerId="c-tips-container",this.advertContainerClass=t.adSelector,this.triangularSign=this.objTip.triangularSign,this.delaySeconds=200,this.adventContainer="",this.triangulars=[],this.motherContainer=a("div"),this.oTipContainer=i(this.containerId),this.tip="",this.tpl=this.objTip.tpl,this.init()}l.prototype={constructor:l,arrInit:function(){for(var t=0;t0}});else{var t=window.document;n.prototype.THROTTLE_TIMEOUT=100,n.prototype.POLL_INTERVAL=null,n.prototype.USE_MUTATION_OBSERVER=!0,n.prototype.observe=function(t){if(!this._observationTargets.some((function(e){return e.element==t}))){if(!t
1!=t.nodeType)throw new Error("target must be an Element");this._registerInstance(),this._observationTargets.push({element:t,entry:null}),this._monitorIntersections(),this._checkForIntersections()}},n.prototype.unobserve=function(t){this._observationTargets=this._observationTargets.filter((function(e){return e.element!=t})),this._observationTargets.length
(this._unmonitorIntersections(),this._unregisterInstance())},n.prototype.disconnect=function(){this._observationTargets=[],this._unmonitorIntersections(),this._unregisterInstance()},n.prototype.takeRecords=function(){var t=this._queuedEntries.slice();return this._queuedEntries=[],t},n.prototype._initThresholds=function(t){var e=t
[0];return Array.isArray(e)
(e=[e]),e.sort().filter((function(t,e,n){if("number"!=typeof t
isNaN(t)
t1)throw new Error("threshold must be a number between 0 and 1 inclusively");return t!==n[e-1]}))},n.prototype._parseRootMargin=function(t){var e=(t
"0px").split(/\s+/).map((function(t){var e=/^(-?\d*\.?\d+)(px|%)$/.exec(t);if(!e)throw new Error("rootMargin must be specified in pixels or percent");return{value:parseFloat(e[1]),unit:e[2]}}));return e[1]=e[1]
e[0],e[2]=e[2]
e[0],e[3]=e[3]
e[1],e},n.prototype._monitorIntersections=function(){this._monitoringIntersections
(this._monitoringIntersections=!0,this.POLL_INTERVAL?this._monitoringInterval=setInterval(this._checkForIntersections,this.POLL_INTERVAL):(r(window,"resize",this._checkForIntersections,!0),r(t,"scroll",this._checkForIntersections,!0),this.USE_MUTATION_OBSERVER&&"MutationObserver"in window&&(this._domObserver=new MutationObserver(this._checkForIntersections),this._domObserver.observe(t,{attributes:!0,childList:!0,characterData:!0,subtree:!0}))))},n.prototype._unmonitorIntersections=function(){this._monitoringIntersections&&(this._monitoringIntersections=!1,clearInterval(this._monitoringInterval),this._monitoringInterval=null,i(window,"resize",this._checkForIntersections,!0),i(t,"scroll",this._checkForIntersections,!0),this._domObserver&&(this._domObserver.disconnect(),this._domObserver=null))},n.prototype._checkForIntersections=function(){var t=this._rootIsInDom(),n=t?this._getRootRect():{top:0,bottom:0,left:0,right:0,width:0,height:0};this._observationTargets.forEach((function(r){var i=r.element,a=o(i),c=this._rootContainsTarget(i),s=r.entry,u=t&&c&&this._computeTargetAndRootIntersection(i,n),l=r.entry=new e({time:window.performance&&performance.now&&performance.now(),target:i,boundingClientRect:a,rootBounds:n,intersectionRect:u});s?t&&c?this._hasCrossedThreshold(s,l)&&this._queuedEntries.push(l):s&&s.isIntersecting&&this._queuedEntries.push(l):this._queuedEntries.push(l)}),this),this._queuedEntries.length&&this._callback(this.takeRecords(),this)},n.prototype._computeTargetAndRootIntersection=function(e,n){if("none"!=window.getComputedStyle(e).display){for(var r,i,a,s,u,l,f,h,p=o(e),d=c(e),v=!1;!v;){var g=null,m=1==d.nodeType?window.getComputedStyle(d):{};if("none"==m.display)return;if(d==this.root
d==t?(v=!0,g=n):d!=t.body&&d!=t.documentElement&&"visible"!=m.overflow&&(g=o(d)),g&&(r=g,i=p,a=void 0,s=void 0,u=void 0,l=void 0,f=void 0,h=void 0,a=Math.max(r.top,i.top),s=Math.min(r.bottom,i.bottom),u=Math.max(r.left,i.left),l=Math.min(r.right,i.right),h=s-a,!(p=(f=l-u)>=0&&h>=0&&{top:a,bottom:s,left:u,right:l,width:f,height:h})))break;d=c(d)}return p}},n.prototype._getRootRect=function(){var e;if(this.root)e=o(this.root);else{var n=t.documentElement,r=t.body;e={top:0,left:0,right:n.clientWidth
r.clientWidth,width:n.clientWidth
r.clientWidth,bottom:n.clientHeight
r.clientHeight,height:n.clientHeight
r.clientHeight}}return this._expandRectByRootMargin(e)},n.prototype._expandRectByRootMargin=function(t){var e=this._rootMarginValues.map((function(e,n){return"px"==e.unit?e.value:e.value*(n%2?t.width:t.height)/100})),n={top:t.top-e[0],right:t.right+e[1],bottom:t.bottom+e[2],left:t.left-e[3]};return n.width=n.right-n.left,n.height=n.bottom-n.top,n},n.prototype._hasCrossedThreshold=function(t,e){var n=t&&t.isIntersecting?t.intersectionRatio
0:-1,r=e.isIntersecting?e.intersectionRatio
0:-1;if(n!==r)for(var i=0;i0&&function(t,e,n,r){var i=document.getElementsByClassName(t);if(i.length>0)for(var o=0;o
下载百度知道APP，抢鲜体验使用百度知道APP，立即抢鲜体验。你的手机镜头里或许有别人想知道的答案。扫描二维码下载
×个人、企业类侵权投诉
违法有害信息,请在下方选择后提交
类别色情低俗
涉嫌违法犯罪
时政信息不实
垃圾广告
低质灌水
我们会通过消息、邮箱等方式尽快将举报结果通知您。说明
做任务开宝箱累计完成0
个任务
10任务
50任务
100任务
200任务
任务列表加载中...
}

关于大数据分析的案例，网上诸如啤酒与尿布的例子实在是太多了，但是关于数据挖掘的案例很少会有人关注。这里我分享两个关于数据挖掘的案例，希望能够体现出数据挖掘强大效果之一二。另外我向大家分享我多年来整理的大数据资料，内含丰富的大数据实践案例、大数据白皮书，大数据解决方案等资料：一、数据挖掘预测电影票房19年春节档关注的电影一共有《疯狂外星人》、《流浪地球》、《飞驰人生》、《新喜剧之王》四部，而关于这几部电影的票房，我们的团队在电影上映一周前就做了出了预测：截止到2月12日早上9点，我们再来看一下首周票房对比结果：除了《流浪地球》这匹黑马杀出重围之外（挖掘算法也没想到国产科幻电影也有翻身的一天），其他电影的预测结果与实际结果几乎完全吻合！那么，我们是怎么用数据挖掘预测电影票房的呢？简而言之思路就是先根据历史票房变化预测出春节档总票房，然后根据各导演、演员制作的历史电影质量、票房情况、SEO情况等预测出各电影票房占比，之后综合预测出各电影的实际票房。1、获取数据从m1095、票房网、豆瓣网等获取电影票房、质量、属性等数据，如下图：获取数据如下：影响电影票房的三个重要因素：电影质量、电影宣传力度、档期电影总票房。2、用算法工具进行预测预测出2019年春节档首周总票房为76亿，预测步骤如下图：3、预测电影质量，从而预测电影在该档期的票房占比如何使用历史数据来预测电影质量？对于电影来讲不变的就是那些导演与演员，导演的水平与演员的水平基本决定电影质量从而影响电影票房。为了客观衡量导演、演员水平，根据历史电影评分、导演信息、演员信息、票房信息、电影类型信息、评价信息等特征进行组合最终共有74个特征，再结合历史票房数据等通过加权算法分析得到四部电影的票房占比情况，处理后的数据如下：4、结合SEO、市场响应等优化票房占比电影票房还与SEO等相关，我们找寻了百度指数、微信指数、淘票票指数等数据，如下图：从历史数据发现这些指数与电影票房呈正相关关系，也就是指数越高票房越高，加入这些指数后， 使用算法重新进行预测得到我们最后的票房预测结果如下：二、数据挖掘应用于店铺选址，预测销售额衣架服饰是一家大型的品牌服装企业，每年都会在全国开设许多门店，那这店铺的选址怎么做呢？一般的做法是组建一个选址团队，到现场进行实地考察，然后根据粗略统计的统计，预测一下这个地方的销售量会怎么样，然后对比分析之后靠经验选择一个地址。但这种方法成本大，效率低，误差大，而且非常仰仗经验。为了解决这个问题，衣架服饰希望能够用更科学的方法优化店铺选址，于是就用到了数据挖掘：1、数据处理：衣架原有的数据包括店铺基础数据以及旧店铺的历史销售数据，项目团队首先对这些已有的数据进行格式化统一，然后收集了原始数据没有的人流量、消费水平、消费时尚等数据，将获取的数据根据业务与后续算法实施来进行预处理，比如异常值删除、缺失值填补、数据标准化等处理。如下图，是使用lof算法进行异常值筛选的过程：2、特征工程与模型构建所谓特征工程就是与预测结果相关的特征（指标）组合，也就是与新店铺相关的销售额特征组合。该项目的原始数据加上结合业务知识生成的组合特征与leakage特征，构建的特征工程共计80余个，通过CFS、MRMR、MBF等方法综合分析，去除相关性权重不高的特征，最终剩余40余个。然后建立算法模型，适合该项目的算法有决策树、随机森林、回归、XGBOST等。最后通过模型准确率以及模型与业务的契合度对比，选择了随机森林作为模型算法。3、模型优化模型优化主要是在找到模型可改进的地方之后所做的事情，比如模型算法的参数调整、特征工程调整等。该项目中模型优化过程除了参数调整，主要就是依据业务，进行特征工程的调整以及数据清洗。比如业务研究过程中发现新的相关特征，需要将其加入特征工程。4、得出结果在该项目中，将特征与销售额的相关性用权重来表示，权重越高表示该特征与销售额的相关性越强，权重结果如下：利用建立的模型预测出某个新店铺一年的销售额，预测如下：5、误差分析预测的结果究竟准确不准确呢？团队将新店铺销售额拿来与人为预测销售额、实际销售额做了个误差分析，以此来衡量店铺销量预测误差。如下图所示，人为预测月平均误差为8.08万，算法预测月平均误差为1.478万，人为预测误差大概为算法预测误差6倍。算法预测最小误差仅300元，预测精度最高为99.7%！图片可能不清晰，但算法的误差非常之小最后分享一些相关资料：}